3. Risultati parte b)


Audit con i medici e integrazione archivi informativi dei medici con gli archivi aziendali

Ai MMG che hanno collaborato al progetto è stato chiesto di confrontare i Patient Clinical Profile di ACG con le schede paziente estratte dalla cartella informatizzata che attualmente utilizzano ed il risultato emerso è che vi è buona coerenza tra i dati forniti da ACG e la situazione dei pazienti risultante dai dati della cartella informatizzata.
Da questo confronto e’ emersa pero’ la consapevolezza che aggiungere la raccolta della informazioni dai data base dei medici di Medicina generale e dei pediatri ai dati gia’ raccolti dall’Azienda avrebbe potuto migliorare la mappatura della morbilita’ della popolazione.

Quindi in un sottocampione di circa 20.000 soggetti adulti e di circa 3000 soggetti in eta’ pediatrica sono stati estratti i dati di patologia codificati con i sistemi locali (Millewin e Juniorbit) utlizzando i codici ICD9 CM.  La sperimentazione ha coinvolto 7 MMG e 2 o 3 PLS per ciascuna azienda (Azienda Ulss 16 e Azienda Ulss 20). L’obiettivo è stato di valutare in che misura la disponibilità dei dati sulle diagnosi raccolte dai MMG e PLS sui propri assistiti rappresenta un valore aggiunto, rispetto alle fonti informative precedentemente presentate, per descrivere le condizioni di salute della popolazione e la variabilità dei costi attraverso il sistema ACG .

L’adesione dei MMG/PLS alla sperimentazione è avvenuta su base volontaria; pertanto non disponendo di un campione probabilistico di assistiti, per poterne valutare il grado di rappresentatività dell’intera popolazione, si sono innanzitutto confrontate le caratteristiche demografiche e i costi degli assistiti dei medici aderenti alla sperimentazione con quelli della popolazione delle due Aziende ULSS.

Sono quindi stati valutati i risultati ottenuti applicando il sistema di classificazione ACG al campione di assistiti integrato con le diagnosi fornite dai medici di famiglia rispetto a quelli ottenuti sul medesimo campione privo di tali diagnosi. In questo report vengono riportate le analisi solo sui dati trasmessi dai MMG in quanto i dati dei PLS sono ancora in fase di elaborazione. Purtroppo, nel campione dei pediatri, e’ stato possibile rilevare i codici di diagnosi ICD9 per un solo medico, non consentendo dunque confronti tra pediatri nell’abitudine alla codifica. Il software dei pediatri, infatti,  consentiva al medico di inserire diagnosi sia in forma di testo che in forma di codice numerico e questo ha reso inutilizzabile molte delle informazioni  diagnostiche presenti in forma testuale nel data base clinico dei pediatri.  Un dato pero’ e’ rilevante nel campione di pazienti dell’unico pediatra analizzato: la percentuale di bambini senza diagnosi ma con consumi di risorse (ACG 5110) crolla dal 41% al 9,5%, quando si aggiungono le diagnosi del pediatra, a conferma della previsione che la maggior parte delle diagnosi pediatriche potranno essere captate solo con l’integrazione informativa degli archivi clinici
.

 

Confronto tra la popolazione generale e il campione di assistiti 

Poiché il campione si riferisce solo agli assistiti dei MMG in questa analisi  sono stati sono stati esclusi i soggetti di età inferiore ai 14 anni.

Le due popolazioni risultano simili nella distribuzione per sesso (48% maschi, 52% femmine), l’età media delle due popolazioni è di circa 47 anni nei  maschi e 50 nelle femmine, con una distribuzione percentuale per classe di età che, come si può osservare dalla Figura 1., risulta per il campione di assistiti leggermente più anziana nella fascia di età tra i 30 e i 60 anni.

 

Figura 1. Distribuzione percentuale degli assistiti per classi di età (età>13 anni). Popolazione generale e campione di assistiti

 

E’ stata riscontrata una certa eterogeneita’ tra i diversi medici nella abitudine alla codifica delle patologie, confermata dalla ampia variabilita’ del numero medio di diagnosi per paziente evidenziato nel campione dei soggetti adulti, come rilevato nella tabella 1. La percentuali di assistiti con almeno una diagnosi va dal 12 all’ 89%, con evidenza di una maggior abitudine alla codifica tra i medici di Padova (72%) rispetto a quelli di Verona (42)

Tabella 1.: Presenza di almeno una diagnosi per assistito,  stratificata per Azienda ULSS
Per quanto riguarda la stima del costo totale delle due popolazioni, vi è una differenza di circa 40 euro procapite (Tabella 2)

Tabella 2. Popolazione analizzata (età >13 anni) e costi per classi di età. Popolazione generale e campione di assistiti

Classi di età

Campione

Popolazione generale

%

Costo totale

Peso ACG locale

%

Costo totale

Peso ACG locale

%

Media

Media

%

Media

Media

14-34

24,8

9,6

439,92

0,47

24,6

9,1

406,82

0,47

35-64

51,6

41,8

919,23

0,83

50,8

39,3

848,62

0,81

65-74

12,1

21,6

2.034,35

1,80

12,4

23,1

2.042,09

1,77

75-84

8,3

19,9

2.709,51

2,59

8,6

20,7

2.629,05

2,54

85 e oltre

3,2

7,0

2.470,83

3,17

3,6

7,8

2.331,94

3,19

Totale

100,0

100,0

1.134,31

1,08

100,0

100,0

1.095,76

1,08


Anche per quanto riguarda la complessità della casistica trattata (distribuzione percentuale della popolazione per RUB, Resource Utilization Band – aggregazioni di ACG) le due popolazioni risultano molto simili con una quota leggermente più elevata di soggetti che nella popolazione generale non risulta avere contatti con il SSR (Tabella 3).  In entrambi gli archivi il numero medio di diagnosi che sono state utilizzate per definire la comorbilità risulta di 1,3 (Tabella 4). Per quanto riguarda il numero di condizioni croniche rilevate, nell’archivio dei MMG il 36% della popolazione presenta almeno una condizione cronica contro il 33% dell’archivio generale.

 

Tabella 3. Distribuzione percentuale della popolazione (età >13 anni) per RUB. Popolazione generale e campione di assistiti
 

Nessun contatto con  il SSR

 Utilizzatori sani

Basso

Moderato

Elevato

Molto elevato

Totale

Campione

14,0

42,3

19,8

19,3

3,6

1,1

100,0

Popolazione generale

16,2

42,4

17,6

18,9

3,8

1,2

100,0



Tabella 4. Numero medio di diagnosi utilizzate per classi di età (età >13 anni). Popolazione generale e campione di assistiti

Classi di età

Campione

Popolazione generale

Media

Media

14-34

0,42

0,46

35-64

0,90

0,87

65-74

2,34

2,28

75-84

3,57

3,49

85 e oltre

4,43

4,34

Totale

1,29

1,30




Tabella 5. Distribuzione percentuale della popolazione (età >13 anni) per numero di condizioni croniche rilevate.
Popolazione generale e campione di assistiti


Condizioni croniche

Campione

Popolazione generale

%

%

0

63,7

66,6

1

19,9

17,6

2

8,3

7,9

3

4,2

3,9

4

1,7

1,9

5

1,0

1,0

Più di 5

1,1

1,0

Totale

100,0

100,0


 

Analisi del campione di assistiti con e senza integrazione delle diagnosi rilevate dai MMG (archivio INTEGRATO MMG PD + MMG VR)


L’introduzione nel sistema ACG delle diagnosi trasmesse dai MMG ha diminuito dal 40.3% al 18.6% la percentuale di soggetti ,  che risultavano aver avuto  un contatto con il SSR ma per i quali con i flussi informativi correnti non si erano rilevate diagnosi (codice ACG 5110-No Diagnosis or Only Unclassified Diagnosis ). Degli 8620 soggetti che nell’archivio di partenza ricadevano nel ACG 5110 con l’introduzione delle diagnosi dei MMG,  il 55% viene attribuito a codici specifici di ACG come riportato in  Tabella 6 .


 Tabella 6. Primi 15 ACG per i soggetti che nell’archivio di partenza ricadevano nel ACG 5110

Descrizione ACG

N

%

No Diagnosis or Only Unclassified Diagnosis (2 input files)

3756

46.28

2-3 Other ADG Combinations, Age > 34

743

9.16

Chronic Medical, Stable

602

7.42

Acute Minor, Age > 5

551

6.79

Likely to Recur, w/o Allergies

360

4.44

Acute Major

342

4.21

Acute Minor and Likely to Recur, Age > 5, w/o Allergy

156

1.92

Acute Minor and Chronic Medical: Stable

154

1.9

Acute Minor and Acute Major

136

1.68

Acute Minor and Likely to Recur

114

1.4

Chronic Medical, Unstable

104

1.28

4-5 Other ADG Combinations, Age > 44, no Major ADGs

100

1.23

Psychosocial, w/o Psych Unstable

80

0.99

2-3 Other ADG Combinations, Females Age 18 to 34

80

0.99

Preventive/Administrative

71

0.87

Altri ACG

766

9.44

Totale

8115

100

 

Il numero medio di diagnosi utilizzate da ACG per la definizione del case-mix passa da 1.28 nell’archivio di partenza  a 2.7 nell’archivio integrato con le diagnosi dei MMG e la differenza nel numero medio aumenta con il crescere dell’età come riportato in tabella 7.

 

  Tabella 7. Numero medio di diagnosi per classi di età

Classi di età

Con Diag MMG

Senza Diag MMG

Media

Media

0-13

1,15

0,29

14-34

1,34

0,42

35-64

2,26

0,90

65-74

4,36

2,34

75-84

5,93

3,57

85 e oltre

6,55

4,43

Totale

2,71

1,28

 

 















Anche il numero di soggetti che risultano avere  almeno una condizione cronica aumenta nel database con le diagnosi fornite dai MMG.

 

 Tabella 8. Distribuzione percentuale dei soggetti per numero di condizioni croniche

Condizioni croniche

Con Diag MMG

Senza Diag MMG

%

%

0

47,9

64,0

1

21,9

19,8

2

12,6

8,2

3

7,6

4,1

4

4,3

1,7

5

2,6

1,0

Più di 5

1,8

1,2

Totale

100,0

100,0



L’introduzione delle diagnosi dei MMG aumenta la complessità della casistica trattata con una percentuale di assistiti classificati nelle categorie Moderato+Elevato che passa da 22% a 39%, come riportato in tabella 9.

 Tabella 9. Distribuzione percentuale della popolazione per RUB


Nessun contatto con  il SSR

Utilizzatori sani

Basso

Moderato

Elevato

Molto elevato

Totale

Con Diag MMG

11,6

23,7

23,1

34,0

5,7

1,8

100,0

Senza Diag MMG

14,1

42,5

19,7

19,1

3,5

1,1

100,0

 

Nelle tabelle seguenti (tabella 10, tabella 11)vengono riportati i 15 ACG più frequenti per i due archivi, con e senza diagnosi dei MMG. E’ possibile notare come l’introduzione  delle diagnosi dei MMG determina in ciascun ACG una diminuzione dei costi medi ed un aumento della variabilità dei costi stessi. A parità di costi, infatti, assistiti con costi mediamente più bassi vengono riclassificati all’interno di ACG più complessi. Nella tabella 11 si osserva inoltre un aumento della prevalenza degli eventi acuti minori, che passano da 19.4 per 1000 nell’archivio senza diagnosi ad un 40.5  per 1000 nell’archivio con le informazioni ricavate dai MMG.

 

  Tabella 10. Primi 15 ACG archivio senza diagnosi MMG

ACG

N

Prevalenza per 1.000

Costo totale medio

5°-95° percentile costo totale

Coefficiente variazione

Chronic Medical, Stable

2.391

118,6

721,99

(61 - 2050)

132.7

2-3 Other ADG Combinations, Age > 34

2.300

114,1

2.535,31

(176 - 9227)

163.8

Chronic Medical, Unstable

929

46,1

2.182,10

(70 - 9942)

373.0

Acute Major

516

25,6

1.472,12

(60 - 5411)

151.0

4-5 Other ADG Combinations, Age > 44, 2+ Major ADGs

436

21,6

6.475,07

(531 - 22998)

158.6

Acute Minor, Age > 5

392

19,4

650,59

(52 - 2412)

154.3

Likely to Recur, w/o Allergies

224

11,1

1.686,86

(66 - 3449)

95.2

Asthma

195

9,7

590,90

(0 - 1699)

177.5

4-5 Other ADG Combinations, Age > 44, 1+ Major ADGs

165

8,2

4.874,07

(439 - 16947)

121.5

Pregnancy: 0-1 ADGs, not delivered

155

7,7

651,55

(44 - 2079)

106.45

Pregnancy: 0-1 ADGs, delivered

130

6,4

2.076,14

(1006 - 4099)

47.95

Psychosocial, w/o Psych Unstable

111

5,5

604,20

(17 - 1771)

173.55

6-9 Other ADG Combinations, Age > 34, 3 Major ADGs

109

5,4

9.809,32

(556 - 30415)

112.3

Acute Minor and Acute Major

103

5,1

1.574,98

(169 - 4641)

107.7

Psychosocial, with Psych Unstable, w/o Psych Stable

95

4,7

1.137,63

(0 - 4209)

151.5

 

  












  Tabella 11. Primi 15 ACG archivio con le diagnosi MMG

ACG

N

Prevalenza per 1.000

Costo totale medio

5°-95° percentile costo totale

Coefficiente variazione

2-3 Other ADG Combinations, Age > 34

3.558

176,5

1.501,52

(54 - 5325)

210.5

Chronic Medical, Stable

1.997

99,1

499,57

(0 - 1627)

240.9

Acute Minor, Age > 5

817

40,5

225,90

(0 - 1000)

191.3

4-5 Other ADG Combinations, Age > 44, 1+ Major ADGs

701

34,8

2.180,37

(226 - 7692)

143.6

4-5 Other ADG Combinations, Age > 44, 2+ Major ADGs

588

29,2

4.788,34

(406 - 17304)

189.3

Acute Major

569

28,2

620,66

(0 - 2699)

218.6

Chronic Medical, Unstable

534

26,5

1.771,16

(0 - 5452)

548.6

Likely to Recur, w/o Allergies

502

24,9

528,18

(0 - 2347)

207.4

Acute Minor and Chronic Medical: Stable

360

17,9

535,39

(15 - 1901)

176.6

6-9 Other ADG Combinations, Age > 34, 0-1 Major ADGs

333

16,5

2.438,17

(265 - 10395)

142.0

4-5 Other ADG Combinations, Age > 44, no Major ADGs

305

15,1

1.473,96

(139 - 4062)

177.8

6-9 Other ADG Combinations, Age > 34, 2 Major ADGs

267

13,2

5.047,59

(385 - 20439)

136.8

Acute Minor and Acute Major

262

13,0

698,91

(10 - 2816)

162.2

Acute Minor and Likely to Recur, Age > 5, w/o Allergy

222

11,0

429,21

(11 - 1727)

251.1
















Validazione statistica archivi MMG

Partendo dal file integrato delle due Aziende ULSS sono stati selezionati gli assistiti dei MMG partecipanti alla sperimentazione e sono stati costruiti quattro modelli di regressione lineare in step successivi, considerando come Variabile dipendente il costo totale e di volta in volta diverse variabili esplicative.

La stessa analisi è stata condotta anche sull’archivio integrato con le diagnosi rilevate dai MMG al fine di valutare differenze nella relazione tra ACG e costi.

I modelli applicati sono i seguenti:

Modello 1: età in anni e sesso [costo=a+b1(eta)+b2(sesso)+]

Modello 2: età in anni, sesso, RUB (Resource Utilization Band – aggregazioni di ACG) [costo=a+b1(eta)+b2(sesso)+ b3(RUB)+]

Modello 3: età in anni, sesso, ACG [costo=a+b1(eta)+b2(sesso)+ b3(RUB)+]

Modello 4: età in anni, sesso, ACG, Rx-MG (Pharmacy Morbidity Groups – Gruppi diagnostici farmaco-correlati) [costo=a+b1(eta)+b2(sesso)+ b3(ACG)+ b4(Rx-MG)+]

La predittività dei costi da parte dei diversi modelli è stata valutata con l’indice R quadrato, che esprime la quota di varianza dei costi spiegata dalle variabili introdotte nei modelli.

 Tabella 1.  Risultati della Regressione lineare sui costi totali, archivio senza diagnosi MMG (ULSS 20)

Variabili esplicative

R quadrato
costo<= 8184.71, ACG diverso da 5200

Età, Sesso

10%

Età, Sesso, RUB

30%

Età, Sesso, Codici ACG

40%

Età, Sesso, Codici ACG, RX_MG

49%

 

 Tabella 2. Risultati della Regressione lineare sui costi totali, archivio con diagnosi MMG (ULSS 20)

Variabili esplicative

R quadrato
costo<= 8184.71, ACG diverso da 5200

Età, Sesso

10%

Età, Sesso, RUB

26%

Età, Sesso, Codici ACG

31%

Età, Sesso, Codici ACG, RX_MG

43%

 

Dall’analisi condotta si può concludere che l’introduzione nel sistema ACG delle diagnosi rilevate dai MMG sui propri assistiti:

1.Diminuisce notevolmente la percentuale di soggetti che ricadevano nel codice ACG 5110 (No Diagnosis or Only Unclassified Diagnosis ), che avevano avuto cioè un contatto con il SSR ma per i quali con i flussi informativi correnti non si erano rilevate diagnosi; questa percentuale passa dal 40.3% al 18.6%

2.Aumenta il numero medio di diagnosi utilizzate da ACG per la definizione del case-mix (da 1.28 nell’archivio senza diagnosi dei MMG a 2.7 nell’archivio con le diagnosi).

3.Aumenta la complessità della casistica e diminuisce il costo totale medio per singolo ACG: a parità di costi introdotti nel sistema, soggetti con costi più bassi vengono aggregati all’interno dei codici ACG più complessi.

4.Aumenta la variabilità dei costi all’interno di ciascuna categoria ACG portando quindi ad una conseguente riduzione del potere predittivo dei costi da parte della classificazione per ACG.


Analisi correlazione tra contatti (accessi/visite) presso il MMG e categorie ACG

Analizzando tutti i dati forniti dai MMG, e’ stata valutata anche una misurazione dell’accesso all’ambulatorio del MMG e  del carico assistenziale del paziente, considerando come variabile il numero medio di contatti/anno  del paziente nei confronti del medico. Come contatti si  e’ considerata qualsiasi interazione con l’ambulatorio del medico includendo telefonate, ripetizioni di ricette e visite ambulatoriali.

La letteratura internazionale offriva questo esempio, rilevato presso i medici di famiglia israeliani: all’aumentare della complessita’ della categoria ACG , aumentava il numero delle visite presso l’ambulatorio del medico. 


Figura 2. Relazione tra il numero medio di visite annue e il livello di complessita’ di ACG in un campione di medici israeliani

 

Confrontando i dati raccolti presso i nostri medici di famiglia nelle ULss 16 e 20 e’ stato possibile correlare i contatti  dei pazienti con il livello di complessita’ di ACG, rivelando un pattern molto simile a quello rilevato presso i medici israeliani.

 

Figura 3. Relazione tra il numero medio contatti annui e il livello di complessita’ di ACG in un campione di medici della ULSS 16 e 20 (che corrisponde ad un livello crescente di costi)

 

 

 

Case finding per i casi complessi

Il sistema ACG permette di isolare, tra gli assistiti di un medico di medicina generale il gruppo di pazienti che consumano il maggior numero di risorse. Nella fase pilota è stato possibile osservare come oltre il 60% delle risorse totale viene utilizzato da un centinaio di pazienti, che rappresentano quelli con il maggior carico assistenziale.